이 대화형 데모에서는 Google Cloud용 완전 관리형 벡터 데이터베이스인 에이전트 검색 (이전 명칭: 벡터 검색 2.0)을 살펴볼 수 있습니다. 데모를 사용하여 시맨틱 검색(Gemini 자동 임베딩 기반), 키워드 텍스트 검색 또는 Reciprocal Rank Fusion (RRF)을 사용하여 시맨틱 검색과 키워드 텍스트 검색을 모두 결합하는 하이브리드 검색으로 수백만 개의 제품 등록정보를 검색합니다. Gemini Enterprise Agent Platform Ranking API를 사용하여 결과를 재순위화할 수 있습니다.
에이전트 검색의 이점
벡터 검색에는 별도의 임베딩 생성, 색인 배포, 메타데이터용 Vertex AI Feature Store가 필요했습니다. 에이전트 검색은 인프라를 관리할 필요 없이 데이터 및 임베딩을 위한 통합 스토리지, 자동 임베딩 생성, 기본 제공 텍스트 검색을 제공합니다.
기능을 사용해 보세요.
안내에 따라 다음을 실행하세요.
쿼리 필드에서 쿼리하려는 항목을 설명합니다(예:
vintage 1970s pinball machine). 또는 쿼리 생성을 클릭하여 설명을 자동으로 생성합니다.제출을 클릭하거나 Enter 키를 누릅니다.
데모에서 여러 옵션으로 실험하여 에이전트 검색과 벡터 검색 기술의 기본 사항을 빠르게 이해하세요. 자세한 내용은 사용자 인터페이스를 참고하세요.
사용자 인터페이스
이 섹션에서는 UI에서 에이전트 검색 (이전의 벡터 검색 2.0)으로 반환되는 결과를 제어하기 위해 사용할 수 있는 설정과 결과 순위가 지정되는 방법을 설명합니다.
데이터 세트
데이터 세트 드롭다운을 사용하여 에이전트 검색으로 쿼리를 실행할 데이터 세트를 선택합니다. 각 데이터 세트에 대한 자세한 내용은 데이터 세트를 참고하세요.
쿼리
쿼리를 실행하려면 다음 안내를 따르세요.
데이터 세트를 클릭하고 쿼리를 실행할 데이터 세트를 선택합니다.
쿼리 필드에 설명을 추가하거나, 질문을 하거나, 하나 이상의 키워드를 입력하여 에이전트 검색에서 결과를 반환할 항목을 지정합니다. 또는 쿼리 생성을 클릭하여 쿼리를 자동으로 생성합니다.
다음 중 하나를 수행합니다.
- 시맨틱 관점에서 유사한 결과를 반환하려면 시맨틱을 선택합니다.
- 쿼리의 텍스트 구문을 기반으로 결과를 반환하려면 텍스트를 선택합니다.
- 하이브리드 검색을 수행하려면 시맨틱과 텍스트를 모두 선택합니다.
Mercari 3M 항목 (128차원 Gemini 텍스트 임베딩) 또는 Mercari 3M 항목 (768차원 Gemini 텍스트 임베딩) 데이터 세트를 시맨틱 쿼리하는 경우 쿼리 태스크 유형을 클릭하고 QUESTION_ANSWERING 또는 RETRIEVAL_QUERY를 선택합니다.
제출을 클릭하거나 Enter를 눌러 쿼리를 실행합니다.
수정
에이전트 검색 (이전의 벡터 검색 2.0)이 쿼리에서 반환하는 결과를 수정하는 데 사용할 수 있는 옵션은 다양합니다.
행을 클릭하고 에이전트 검색 (이전의 벡터 검색 2.0)으로 반환하려는 최대 검색 결과 수를 선택합니다.
시맨틱 유사성이 있는 결과를 반환하려면 시맨틱을 선택합니다.
쿼리의 텍스트 구문을 기반으로 결과를 반환하려면 텍스트를 선택합니다.
하이브리드 검색을 사용 설정하려면 시맨틱과 텍스트를 모두 선택합니다.
재순위 지정을 선택하여 검색어 관련성을 기준으로 검색 결과의 순위를 다시 지정합니다. 자세한 내용은 Ranking API로 검색 및 RAG 품질 개선을 참조하세요.
kNN 사용을 선택하여 k-최근접 이웃 알고리즘을 사용하여 검색 결과를 가져옵니다. kNN은 100% 재현율을 제공하므로 디버깅이나 테스트 시 매우 유용합니다.
쿼리 태스크 유형을 클릭하고 사용할 쿼리 태스크 유형을 선택합니다. 이는 Mercari 3M 항목 (128차원 Gemini 텍스트 임베딩) 및 Mercari 3M 항목 (768차원 Gemini 텍스트 임베딩) 데이터 세트를 사용하는 경우에만 사용할 수 있습니다. 쿼리 태스크 유형에 대한 자세한 내용은 임베딩 태스크 유형 선택을 참조하세요.
RRF 알파 필드에 0.0~1.0 사이의 값을 입력하여 RRF 순위 효과를 지정합니다. 하이브리드 검색(시맨틱 및 텍스트 모두 선택됨)에만 사용할 수 있습니다.
알파 값:1.0- 시맨틱 (밀집) 유사성만으로 결과의 순위를 지정합니다.0.0- 키워드 (희소) 관련성만으로 결과의 순위를 지정합니다.0.5- 시맨틱 (밀집) 유사성과 키워드 (희소) 관련성에 동일한 가중치를 부여하여 결과의 순위를 지정합니다.
자세한 내용은 Reciprocal Rank Fusion이란 무엇인가요?를 참조하세요.
측정항목
쿼리 실행 후에는 여러 검색 단계에 걸린 시간을 세분화하는 지연 시간 측정항목이 제공됩니다.
여기에는 다음이 포함됩니다.
- 모든 소스의 총 지연 시간입니다.
- 임베딩을 생성하고 벡터 검색을 수행하는 데 걸린 시간입니다.
- 재순위 지정을 선택한 경우 재순위 지정에 걸린 시간입니다.
- 네트워크 및 기타 소스에서 발생하는 총 지연 시간입니다.
임베딩
에이전트 검색은 다음 임베딩 유형을 지원합니다.
멀티모달: 항목 이미지를 기반으로 작동하는 멀티모달 시맨틱 검색입니다. 자세한 내용은 멀티모달 검색이란: "비전을 갖춘 LLM"으로 비즈니스를 변화시키는 방식을 참조하세요.
텍스트(시맨틱 유사성): 시맨틱 유사성 기반의 항목 이름 및 설명에 대한 텍스트 시맨틱 검색입니다. 자세한 내용은 텍스트용 Vertex AI 임베딩: 간편해진 LLM 그라운딩을 참조하세요.
텍스트 (검색 문서): 질문 또는 짧은 구문을 기반으로 하는 비대칭 검색입니다. 자세한 내용은 텍스트용 Vertex AI 임베딩: 간편해진 LLM 그라운딩을 참조하세요.
Word: 매우 빠른 추론과 매우 컴팩트한 단어 수준의 시맨틱 이해입니다.
쿼리 프로세스
에이전트 검색에서 쿼리 프로세스는 수행되는 검색 종류와 임베딩 모델에 따라 달라집니다.
시맨틱 및 하이브리드 검색
임베딩 생성 및 검색은 단일 API 호출에서 이루어집니다.
에이전트 검색은 컬렉션의 vertex_embedding_config에 지정된 모델을 사용하여 쿼리 임베딩 서버 측을 자동으로 생성하고, 검색을 수행하고, 별도의 Vertex AI Feature Store 가져오기 없이 전체 메타데이터가 포함된 결과를 반환합니다.
Word2Vec 및 멀티모달
클라이언트는 쿼리 임베딩을 생성하고 벡터 검색을 위해 에이전트 검색으로 전송합니다. 결과에는 여전히 컬렉션의 전체 메타데이터가 포함되며 Vertex AI Feature Store 가져오기가 필요하지 않습니다.
텍스트
에이전트 검색은 기본 제공 키워드 검색 유형을 직접 수행합니다. 임베딩이 생성되지 않습니다.
데이터 세트
| 데이터 세트 | 설명 | 임베딩 모델 | 임베딩 태스크 유형 |
|---|---|---|---|
| Mercari 100만 개 항목 (768차원 Gemini 텍스트 임베딩) |
텍스트 및 이미지 임베딩이 별도로 있는 Gemini Embedding 2 임베딩 모델을 사용합니다. 이 데이터 세트는 다양한 벡터 필드를 사용하여 텍스트 간 변환 및 텍스트 이미지 변환 검색을 지원합니다. | gemini-embedding-2-preview
|
SEMANTIC_SIMILARITY |
| Mercari 300만 개 항목 (128차원 Gemini 텍스트 임베딩) |
임베딩 차원 수가 줄어들어 색인 크기와 스토리지 비용이 줄어듭니다. 이 데이터 세트는 Mercari 3M 항목 (768차원 Gemini 텍스트 임베딩)보다 정확도가 낮을 수 있습니다. | gemini-embedding-001
|
RETRIEVAL_DOCUMENT |
| Mercari 3M 항목 (768차원 Gemini 텍스트 임베딩) |
자동 임베딩과 높은 텍스트 시맨틱 정확도를 갖춘 전체 차원 임베딩이 있습니다. 이 데이터 세트는 비대칭 쿼리-문서 일치에 RETRIEVAL_DOCUMENT를 사용합니다. | gemini-embedding-001
|
RETRIEVAL_DOCUMENT |
| Mercari 300만 개 항목 (768차원 Gemini 텍스트 임베딩, 시맨틱 유사성) |
유사성 일치에 SEMANTIC_SIMILARITY 태스크 유형을 사용합니다. 이 데이터 세트는 쿼리와 문서의 시맨틱스가 동일한 '유사한 항목 찾기' 기능이 필요한 사용 사례에 가장 적합합니다. | gemini-embedding-001
|
SEMANTIC_SIMILARITY |
| Mercari 3M 항목 (1408차원 Gemini Enterprise Agent Platform 멀티모달 임베딩) |
이미지 검색을 위해 상품 이미지를 인코딩하는 Gemini Enterprise Agent Platform 멀티모달 임베딩이 있습니다. | multimodal-embedding-001
|
해당 사항 없음 |
| Mercari 300만 개 항목 (100차원 Word2Vec 텍스트 임베딩) |
Gensim Word2Vec 임베딩 모델을 사용합니다. 이 데이터 세트의 추론이 가장 빠릅니다. 단어 수준의 시맨틱 이해만 제공하지만 매우 간결합니다. | Gensim Word2Vec | 해당 사항 없음 |